ＳＶＭ试验的一些困惑。

今天用在Matlab中做SVM分类试验，采用ＳＶＭ通用工具箱，训练数据数据量为1２５０，使用的核函数为rbf。但训练速度非常慢，大概3个小时，并且训练得到的支持向量数等于样本数。ＳＶＭ求解得到的是解析解，因此算法的训练过程应该很快。由于以前没有使用ＳＶＭ进行过相关试验，因此对于训练慢的原因不是太清楚。

在网上查阅了相关资料，并且重新设计了一个试验，数据量为１００，且线性可分．实验效果非常好，训练速度快，得到的支持向量机数业很少。试验程序如下：

N = 50;
n=2*N;
randn('state',6);
x1 = randn(2,N);
y1 = ones(1,N);
x2 = 5+randn(2,N);
y2 = -ones(1,N);
figure;
plot(x1(1,:),x1(2,:),'b+',x2(1,:),x2(2,:),'k.');
axis([-3 8 -3 8]);
title('C-SVC')
hold on;
X1 = [x1,x2]';
Y1 = [y1,y2]';
X=X1;
Y=Y1;
C=Inf;
ker='linear';
global p1 p2
p1=3;
p2=1;
[nsv alpha bias] =svc(X,Y,ker,C)

－－－－－－－－－－－－－－－－－－－－

因此，我分析之前训练速度慢的主要是采用的数据位非线性可分。不过这个理由好像不太通，因为ＳＶＭ本身是可以处理非线性可分的问题的。到底是什么原因呢？．．．．．．